爬取一頁商品數據

目標

  • 爬取一頁商品數據
  • 不要推廣商品和轉轉商品
  • 在詳情頁獲取信息(類目 | 標題 | 發帖時間 | 價格 | 成色 | 區域 | 瀏覽量)

環境

  • Python 3.5.1
  • Windows7 或者 Ubuntu 14.04

結果示例

{
    'areas': ['豐臺', '-', '西客站'],
    'datetime': '2016-03-06',
    'price': '500',
    'quality': '95成新',
    'title': '北京實體店出售蘋果IPAD迷你AIR三星平板電腦',
    'type': '北京二手平板電腦',
    'views': '6103'
}

代碼

# -*- coding: utf-8 -*-

from bs4 import BeautifulSoup
import requests, time
from pprint import pprint

base_url = 'http://bj.58.com/pbdn/0/'

def get_all_links(url):
    """獲取一頁商品的鏈接,除了推廣和轉轉"""
    
    urls = []
    data = requests.get(url)
    if data.status_code == 200:
        soup = BeautifulSoup(data.text, 'lxml')
        for tb in soup.select('div#infolist > table.tbimg'):
            for item in tb.find_all("tr", class_=""):
                urls.append(item.find("a", class_="t").get('href'))
        
        return urls

def get_views(url):
    """獲取單個商品的瀏覽量"""
    
    info_id = url.split('?')[0].split('/')[-1].strip('x.shtml')
    interface = 'http://jst1.58.com/counter?infoid={}'.format(info_id)
    headers = {
        'Host': 'jst1.58.com',
        'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) \
                        Chrome/50.0.2661.102 Safari/537.36',
        'Accept': '*/*',
        'Accept-Language': 'zh-CN,zh;q=0.8,en-US;q=0.5,en;q=0.3',
        'Accept-Encoding': 'gzip, deflate',
        'Referer': url,
        'Cookie': r'id58=c5/ns1djWc+KP2U1DXI4Ag==; city=bj; 58home=bj; ipcity=sh%7C%u4E0A%u6D77%7C0; \
            58tj_uuid=93b726b3-9742-4270-9d11-dcd665bea67b; new_uv=3; myfeet_tooltip=end; \
            als=0; bj58_new_uv=3; bj58_id58s="SUg0UjFZMFI0K3RSMDIyMw=="; \
            sessionid=37cd7e97-40fe-40ac-b903-d6e85ffd8690; __utma=253535702.1612735289.1466129063.1466129063.1466129063.1; \
            __utmc=253535702; __utmz=253535702.1466129063.1.1.utmcsr=baidu|utmccn=(organic)|utmcmd=organic; \
            final_history=26364215035854%2C25245379987755%2C26062681492781; bangbigtip2=1; new_session=0; utm_source=; spm=; \
            init_refer=; bj58_new_session=0; bj58_init_refer="{}"'.format(url),
        'Connection': 'keep-alive',
        'Cache-Control': 'max-age=0' 
    }
    
    resp = requests.get(interface, headers=headers)
    if resp.status_code == 200:
        return resp.text.split('=')[-1]
    else:
        return 0

def get_info(url):
    """獲取一頁中所有的商品信息"""
    
    url_list = get_all_links(url)
    
    headers = {
        'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) \
            Chrome/50.0.2661.102 Safari/537.36'
    }
    for link in url_list:
        data = requests.get(link, headers=headers)
        if data.status_code == 200:
            soup = BeautifulSoup(data.text, 'lxml')
            areas = soup.select('.c_25d')
            
            info = {
                'type': soup.select('div.breadCrumb span:nth-of-type(3) a')[0].get_text(),
                'title': soup.select('.mainTitle > h1:nth-of-type(1)')[0].get_text(),
                'datetime': soup.select('.time')[0].get_text(),
                'price': soup.select('.price')[0].get_text(),
                'quality': soup.select('.suUl > li:nth-of-type(2) > div:nth-of-type(2) > span:nth-of-type(1)')[0].get_text(strip=True),
                'areas': list(areas[0].stripped_strings) if len(areas) > 0 else [],
                'views': get_views(data.url)     # 使用重定向后的鏈接
            }

            pprint(info)
        time.sleep(1)

if __name__ == '__main__':
    get_info(base_url)

總結

  • 由于鏈接中存在重定向的鏈接,所以需要注意要使用重定向后的鏈接
  • 獲取瀏覽量需要通過其他API接口來進行獲取
  • 注意網站的反爬蟲機制,可以加上請求頭或者通過代理IP
最后編輯于
?著作權歸作者所有,轉載或內容合作請聯系作者
平臺聲明:文章內容(如有圖片或視頻亦包括在內)由作者上傳并發布,文章內容僅代表作者本人觀點,簡書系信息發布平臺,僅提供信息存儲服務。
  • 序言:七十年代末,一起剝皮案震驚了整個濱河市,隨后出現的幾起案子,更是在濱河造成了極大的恐慌,老刑警劉巖,帶你破解...
    沈念sama閱讀 228,923評論 6 535
  • 序言:濱河連續發生了三起死亡事件,死亡現場離奇詭異,居然都是意外死亡,警方通過查閱死者的電腦和手機,發現死者居然都...
    沈念sama閱讀 98,740評論 3 420
  • 文/潘曉璐 我一進店門,熙熙樓的掌柜王于貴愁眉苦臉地迎上來,“玉大人,你說我怎么就攤上這事。” “怎么了?”我有些...
    開封第一講書人閱讀 176,856評論 0 380
  • 文/不壞的土叔 我叫張陵,是天一觀的道長。 經常有香客問我,道長,這世上最難降的妖魔是什么? 我笑而不...
    開封第一講書人閱讀 63,175評論 1 315
  • 正文 為了忘掉前任,我火速辦了婚禮,結果婚禮上,老公的妹妹穿的比我還像新娘。我一直安慰自己,他們只是感情好,可當我...
    茶點故事閱讀 71,931評論 6 410
  • 文/花漫 我一把揭開白布。 她就那樣靜靜地躺著,像睡著了一般。 火紅的嫁衣襯著肌膚如雪。 梳的紋絲不亂的頭發上,一...
    開封第一講書人閱讀 55,321評論 1 324
  • 那天,我揣著相機與錄音,去河邊找鬼。 笑死,一個胖子當著我的面吹牛,可吹牛的內容都是我干的。 我是一名探鬼主播,決...
    沈念sama閱讀 43,383評論 3 443
  • 文/蒼蘭香墨 我猛地睜開眼,長吁一口氣:“原來是場噩夢啊……” “哼!你這毒婦竟也來了?” 一聲冷哼從身側響起,我...
    開封第一講書人閱讀 42,533評論 0 289
  • 序言:老撾萬榮一對情侶失蹤,失蹤者是張志新(化名)和其女友劉穎,沒想到半個月后,有當地人在樹林里發現了一具尸體,經...
    沈念sama閱讀 49,082評論 1 335
  • 正文 獨居荒郊野嶺守林人離奇死亡,尸身上長有42處帶血的膿包…… 初始之章·張勛 以下內容為張勛視角 年9月15日...
    茶點故事閱讀 40,891評論 3 356
  • 正文 我和宋清朗相戀三年,在試婚紗的時候發現自己被綠了。 大學時的朋友給我發了我未婚夫和他白月光在一起吃飯的照片。...
    茶點故事閱讀 43,067評論 1 371
  • 序言:一個原本活蹦亂跳的男人離奇死亡,死狀恐怖,靈堂內的尸體忽然破棺而出,到底是詐尸還是另有隱情,我是刑警寧澤,帶...
    沈念sama閱讀 38,618評論 5 362
  • 正文 年R本政府宣布,位于F島的核電站,受9級特大地震影響,放射性物質發生泄漏。R本人自食惡果不足惜,卻給世界環境...
    茶點故事閱讀 44,319評論 3 347
  • 文/蒙蒙 一、第九天 我趴在偏房一處隱蔽的房頂上張望。 院中可真熱鬧,春花似錦、人聲如沸。這莊子的主人今日做“春日...
    開封第一講書人閱讀 34,732評論 0 27
  • 文/蒼蘭香墨 我抬頭看了看天上的太陽。三九已至,卻和暖如春,著一層夾襖步出監牢的瞬間,已是汗流浹背。 一陣腳步聲響...
    開封第一講書人閱讀 35,987評論 1 289
  • 我被黑心中介騙來泰國打工, 沒想到剛下飛機就差點兒被人妖公主榨干…… 1. 我叫王不留,地道東北人。 一個月前我還...
    沈念sama閱讀 51,794評論 3 394
  • 正文 我出身青樓,卻偏偏與公主長得像,于是被迫代替她去往敵國和親。 傳聞我的和親對象是個殘疾皇子,可洞房花燭夜當晚...
    茶點故事閱讀 48,076評論 2 375

推薦閱讀更多精彩內容